回型区图像处理2.0（opencv_python实战）

进一步解决草地图像的干扰

一、选用不同的结构元素大小

我们希望能清楚且分明区分内外轮廓，但是当开运算核较大时，很容易导致回型区上边缘熔断，如图所示：

为了避免这种情况的出现，只能适当减少开运算核的大小，但这就导致草地的干扰会被放大。

现在我们希望找到一种完全的策略可以有效避免这些情况的产生。

首先我们区分内轮廓提取与外轮廓提取所需要的图像，用不同的内核去对它们进行处理，例如：

• 外部大轮廓只需要四个顶点，不需要担心熔断问题就能得到很好的结果，于是可以用比较大的开运算核和闭运算核，直接就可以得到很好的结果。
• 内轮廓的提取需要小心上边缘熔断的问题，于是就设定较小的核以供运算。

但是这种情况下，内轮廓提取时仍然会受到草地图像的干扰，难以找到准确的内轮廓，进而影响总体的判断，因此我们还需要其他对策应对内轮廓的提取。

二、内轮廓提取的一些失败尝试

为了使我的图像处理尽可能的适用于所有的回型坑位置在视野里的情况，无法利用外轮廓与内轮廓的相对位置来判断内轮廓具体是哪一个

例如当前视野下，内外轮廓已经超出视野，不再成包围关系，如何才能找到适用于所有状态下的内外轮廓处理方法。

• 尝试一：使用内轮廓上边界与外轮廓上边界的相对位置判断，在距离较近的轮廓中找到最大的轮廓作为内轮廓。（由于相对位置不稳定，大小判断容易越界，失败）
• 尝试二：由于内轮廓相对于其他草地干扰信息，它的轮廓更加的规则，于是通过计算轮廓面积与轮廓外界矩形的面积之比来判断轮廓是否规则（也是用过坚实度进行判断，但是无法排除一些凸图像），然后在相对规则的图像中寻找较大的轮廓作为内轮廓。（由于提取仍然不稳定，失败）
• 尝试三：使用刚刚提取的外轮廓，将外轮廓内部的图像保留，外部的图片全部清空，然后取反码提取内轮廓，这种方法可以完全删除草地和轮廓外其他干扰信息的影响，也不会干扰相对位置改变后的其他情况，具有普适性，但是缺点在于仍然存在上边缘可能熔断的问题，只不过缩小了概率。

解决回型区上边缘熔断的问题

对上述的尝试三进行改进，由于轮廓已经非常清晰，而且可以消除外轮廓外一切干扰信息的影响，因此仅需解决上边缘熔断即可解决问题，为此，我们找到上边缘的两个顶点并进行连线，将内轮廓锁定在内部，并按大小排序挑出。